[发明专利]一种基于二分类问题的量子特征选择方法

摘要

本发明提出了一个基于二分类问题的量子特征选择方法，该方法利用量子叠加态的并行性进行样本间最小距离计算，并通过样本迭代学习更新所有特征的权重值，进而获得最终特征权重向量，最后根据预设阈值筛选出相关性大的特征集。该方法利用叠加态针对高维向量的高并行处理优势，大大降低了寻找最近邻点的速度，进而提升算法效率；相比经典同类算法，其时间复杂度从O(TNM)减为O(TM)，且样本的特征数量越大优势越明显。

主权项

1.一种基于二分类问题的量子特征选择方法，其特征在于，具体步骤如下：步骤一)初始化权重向量W＝[0,…,0]T；步骤二)分别制备两个样本集中的所有样本的实例的态|βA>和|βB>，其中： | β A > = 1 N Σ j = 1 M | j > 1 N Σ i = 1 N | f ( j , i ) > | 1 > ( 1 - v j f ( j , i ) 2 | 0 > + v j f ( j , i ) 2 | 1 > ) | β B > = 1 M Σ k = 1 M | k > 1 N Σ i = 1 N | f ( k , i ) > | 1 > ( 1 - v k f ( k , i ) 2 | 0 > + v k f ( k , i ) 2 | 1 > ) ; ]]>步骤三)从全体数据集S1,S2,...,S2M中随机选择一个样本u，根据该样本制备量子态|α>，其中j是所有样本中的其中一个标号： | α > = 1 N | j > Σ i = 1 N | f ( 0 , i ) > ( 1 - v 0 f ( 0 , i ) 2 | 0 > + v 0 f ( 0 , i ) 2 | 1 > ) | 1 > ; ]]>步骤四)对制备好的态分别进行swaptest操作和测量操作，得到随机样本分别在两个集合中相似度表示，其中，每个j的相似度为：|<v0|vj>|2＝(1-2P(1))N2，根据max{|<v0|vj>|2}分别找到相似度最大的样本点vA和vB；步骤五)与随机样本同一类的样本为Near-hit，另一个叫Near-miss，用权重公式：Wi＝Wi-1-diff(ui,Near-hiti)2+diff(ui,Near-missi)2来更新权重；步骤六)重复步骤二到步骤五；步骤七)根据权重向量W，结合预设的阈值τ进行特征提取。